University of California, San Diego（加州大学圣迭戈分校）

Reinforcing Dual-Path Reasoning in Spatial Vision Language Models

空间视觉语言模型中的双路径推理强化

Yatai Ji, An-Chieh Cheng, Yang Fu, Yukang Chen, Han Zhang, Zhaojing Yang, Wei Huang, Ka Chun Cheung, Song Han, Vidya Nariyambut Murali, Pavlo Molchanov, Jan Kautz, Simon See, Hongxu Yin, Ping Luo, Sifei Liu

机构 * The University of Hong Kong（香港大学） ； NVIDIA（英伟达） ； University of California, San Diego（加州大学圣迭戈分校） 纠错

AI总结 提出SR-REAL框架，通过强化学习融合语言推理和3D检测推理两条路径，显著提升空间VLM在复杂几何推理任务中的性能。

Reconfigurable Computing Challenge: Transformer for Jet Tagging on Versal AI Engines

可重构计算挑战：Versal AI Engine上的喷注标记Transformer

Gram Koski, Sean Lipps, Zhenghua Ma, G. Abarajithan, Ryan Kastner

机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； University of California San Diego（加州大学圣地亚哥分校） ； La Jolla, CA, USA（拉贾拉, 加州, 美国） 纠错

AI总结 针对CERN LHC喷注标记任务，提出在AMD Versal AI Engine上部署量化整数Transformer的初始实现，并开发可重用软件框架自动生成Vitis图代码。

Comments 4 pages, 4 figures. In FCCM 2026 proceedings

Journal ref 2026 IEEE 34th Int. Symp. on Field-Programmable Custom Computing Machines (FCCM), Atlanta, GA, USA, 2026, pp. 307-310

ConTrack: Constrained Hand Motion Tracking with Adaptive Trade-off Control

ConTrack: 具有自适应权衡控制的约束手部运动跟踪

Yutong Liang, Quanquan Peng, Ri-Zhao Qiu, Xiaolong Wang

机构 * University of California San Diego（加州大学圣地亚哥分校） 纠错

AI总结 提出一种基于强化学习的框架ConTrack，通过将物体跟踪视为约束并利用双变量更新自适应调整任务-风格权衡，同时结合自适应中轨迹重置库，实现长时域、接触密集的手部运动跟踪，在仿真和真实机器人上显著提升成功率和物体位姿精度。

Eigen-Spike Emergence and Quadratic Equivalents for Conjugate Kernels on Nonlinearly Separable Data

Eigen-Spike 涌现与共轭核在非线性可分数据上的二次等价

Collin Cranston, Zhichao Wang, Todd Kemp, Michael W. Mahoney

机构 * Department of Mathematics ICSI and Department of Statistics（数学系ICSI和统计系） ； University of California, San Diego, USA（美国加州大学圣地亚哥分校） ； University of California, Berkeley, USA（美国加州大学伯克利分校） ； Department of Mathematics ICSI, LBNL and Department of Statistics（数学系ICSI、劳伦斯伯克利国家实验室和统计系） 纠错

AI总结 针对非线性可分数据（XOR问题），通过共轭核矩阵的二次等价模型，分析异常特征值涌现及其与标签对齐的BBP型相变，揭示样本复杂度、信噪比、激活函数和预训练特征对非线性可学习性的影响。

Comments 81 pages, 8 figures

ThinkJEPA: Empowering Latent World Models with Large Vision-Language Reasoning Model

ThinkJEPA：赋予潜在世界模型大型视觉-语言推理能力

Haichao Zhang, Yijiang Li, Shwai He, Tushar Nagarajan, Mingfei Chen, Jianglin Lu, Ang Li, Yun Fu

机构 * Northeastern University（东北大学） ； University of California San Diego（加州大学圣地亚哥分校） ； University of Maryland（马里兰大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Washington（华盛顿大学） 纠错

AI总结 提出ThinkJEPA框架，结合密集JEPA分支与稀疏VLM思考者分支，通过分层金字塔表示提取模块，实现细粒度运动建模与长程语义引导，在手部操作轨迹预测任务上超越基线。

Comments 10 pages, 5 figures

Price of metric universality in vector quantization is at most 0.11 bit

向量量化中度量普适性的代价至多为0.11比特

Alina Harbuzova, Or Ordentlich, Yury Polyanskiy

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； University of California, San Diego（加州大学圣地亚哥分校） 纠错

AI总结 本文证明存在一个通用码本，对于所有可能的X统计量，在W为高斯时，其性能至少与速率每维度降低0.11比特的X自适应水填充码本相当。

Comments 41 page, 1 figure

Computed Tomography (CT)-derived Cardiovascular Flow Estimation Using Physics-Informed Neural Networks Improves with Sinogram-based Training: A Simulation Study

基于CT的心血管血流估计利用物理信息神经网络，通过sinogram训练提升：一项模拟研究

Jinyuxuan Guo, Gurnoor Singh Khurana, Alejandro Gonzalo Grande, Juan C. del Alamo, Francisco Contijoch

机构 * Dept. of Bioengineering, University of California San Diego（加州大学圣地亚哥分校生物工程系） ； Dept. of Computer Science Engineering, University of California San Diego（加州大学圣地亚哥分校计算机科学与工程系） ； Dept. of Mechanical Engineering, Univ of Washington（华盛顿大学机械工程系） ； Depts of Mechanical Engineering and Cardiology, Univ. of Washington（华盛顿大学机械工程与心内科系） ； Depts. of Bioengineering, Radiology, University of California San Diego（加州大学圣地亚哥分校生物工程与放射学系） 纠错

AI总结 本研究评估了CT影像对基于物理信息神经网络（PINN）的血流估计的影响，提出了一种改进框架SinoFlow，直接利用sinogram数据估计血流，结果显示SinoFlow在避免滤波反投影引入的误差方面表现更优。

Explicit Context-Driven Neural Acoustic Modeling for High-Fidelity RIR Generation

显式上下文驱动的神经声学建模用于高保真RIR生成

Chen Si, Qianyi Wu, Chaitanya Amballa, Romit Roy Choudhury

机构 * University of California San Diego（加州大学圣地亚哥分校） ； Monash University（墨尔本大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 提出MiNAF模型，通过查询房间网格并提取距离分布作为显式局部几何特征，引导神经隐式模型生成更准确的房间脉冲响应（RIR），在多项指标上达到竞争性能。

Neural Computed Tomography

神经计算断层扫描

Kunal Gupta, Brendan Colvert, Francisco Contijoch

机构 * University of California San Diego（加州大学圣地亚哥分校） 纠错

AI总结 本文提出NeuralCT框架，通过神经隐式方法生成无运动伪影的时间分辨图像，适用于心脏等复杂运动场景。

Comments https://kunalmgupta.github.io/projects/NeuralCT.html